Pertanyaan Tebakan Teratas & Metode Informatif untuk Ilmu Data [2022]

Apa itu Guesstimate?

Guesstimate adalah metode metodologis teori dan evaluasi; ini membantu Anda bekerja secara efisien dengan tingkat akurasi yang lebih tinggi. Ini adalah studi data untuk mengkonsolidasikan hasilnya. Ini juga merupakan bagian penting dari Analis Bisnis atau Ilmu Data dan Arsitek Data atau Teknisi Data.

1. Artinya: Ini tentang memahami masalah yang ingin Anda selesaikan, dan apa tujuannya, mengapa Anda ingin menyelesaikannya.
2. Definisi: Ini tentang objek tertentu dan input dan output dari aliran proses. Singkatnya, penjelasan.
3. Menebak : Ini tentang pemikiran dan kesimpulan- Anda membuat objek tertentu dalam masalah Anda.
4. Perkiraan: Ini tentang perkiraan angka pada masalah yang diberikan.
5. Munculkan ide : Implementasikan ide dengan penelitian dan pengembangan.

Ketika pertanyaan perkiraan dapat menanyakan ukuran pasar, itu disebut pertanyaan "ukuran pasar".

Berikut adalah pertanyaan dasar tentang perkiraan:

• Berapa banyak orang yang memakai warna biru di New York pada hari Senin yang khas?
• Berapa banyak bola tenis yang bisa Anda masukkan ke dalam pesawat?

Bagaimana Mendekati Guesstimate?

Proses memecahkan masalah perkiraan cukup mudah dikelola:

1. Lihatlah parameter yang layak yang dapat mempengaruhi kuantitas akhir dan perkirakan jumlahnya.
2. Mundur selangkah dan pikirkan.
3. Perjelas pikiran Anda.
4. Suarakan pikiran Anda.
5. Pendekatan Matematika Sederhana-

Pendekatan ini biasanya digunakan ketika angka untuk menebak perkiraan adalah semacam rasio. Tugasnya adalah mendapatkan pembilang dan penyebutnya maka kita selesai!

1. Pendekatan per kapita-

Pendekatan ini digunakan ketika angka untuk menebak dapat dianggap sebagai item konsumsi pada tingkat seseorang, rumah tangga, atau populasi dalam geografi.

2. Pendekatan Penawaran & Permintaan-

Pendekatan ini perlu memikirkan jumlah perkiraan baik dari sisi penawaran atau permintaan (atau keduanya).

Secara umum, Anda dapat mengajukan perkiraan perkiraan dengan salah satu dari dua cara berikut:

• Metode top-down
• Metode dari bawah ke atas

Di top-down, Anda mulai dengan alam semesta terbesar yang mungkin, di mana perkiraan Anda adalah bagiannya.

Dengan basis terluas di bagian atas. Untuk alam semesta ini, Anda kemudian terus menerapkan serangkaian kondisi atau filter (apa pun yang Anda inginkan) yang mengurangi jumlah dari alam semesta ke angka yang sesuai dengan perkiraan Anda.

Kunci dari proses estimasi top-down terletak pada:

1. Ini secara akurat mengidentifikasi alam semesta awal.
2. Ini secara akurat mengidentifikasi sebanyak mungkin kondisi/filter dan segmen relevan yang berlaku untuk masalah perkiraan Anda.
3. Segmen: Sering kali, Anda harus terlebih dahulu mengelompokkan alam semesta ke dalam ember dan menerapkan filter yang berbeda untuk setiap segmen.

Kiat untuk pertanyaan perkiraan untuk Ilmu Data:

1. Latihan Presentasi: Kita harus melakukan latihan presentasi dengan audiens dari solusi tertentu yang telah Anda selesaikan.
2. Praktek Menganalisis: Menganalisis memainkan peran penting untuk membuat proses berpikir pada masalah yang diberikan.
3. Berlatih dengan Angka: Bermain dengan angka atau membuat logika khusus selalu penting.

Saat memecahkan pertanyaan perkiraan untuk Ilmu Data, Anda perlu memahami poin-poin berikut:

• Anda menggambarkan ini kepada seseorang yang tidak ada di kepala Anda. Solusinya bukan untuk Anda.
• Pada saat yang sama, ingatlah untuk tidak mengubah setiap aspek menjadi perkiraan yang sama sekali baru! Sangat mudah untuk terpengaruh oleh kecerdasan dan kemampuan analitis Anda.
• Fokus pada pertanyaan. Pernahkah Anda mendengar tentang analisis-kelumpuhan?

Apa tujuan dari pertanyaan perkiraan untuk Ilmu Data?

• Untuk memahami kapasitas Anda untuk memahami suatu situasi.
• Untuk memahami ruang lingkup kemampuan Anda untuk menghubungkan berbagai hal, untuk mencapai jawaban.
• Untuk mengetahui kekuatan Anda dalam memprioritaskan dan mengabaikan parameter yang berbeda.
• Untuk memahami seberapa baik Anda bekerja dengan informasi yang tidak memadai.

Berikut adalah beberapa pertanyaan perkiraan untuk Ilmu Data-

Pertanyaan:1 Buat Eksperimen dengan algoritma k-means pada kumpulan data UCI Iris:

Pada percobaan ini melakukan k-means clustering menggunakan semua fitur yang ada pada dataset, kemudian membandingkan hasil clustering dengan true class label untuk semua sampel.

Gunakan modul Multiclass Logistic Regression untuk melakukan klasifikasi multiclass dan membandingkan kinerjanya dengan k-means clustering.

Pertanyaan:2 Dalam format yang sangat sederhana, jelaskan Precision & Recall?

Pertanyaan:3 Jika Anda telah diberikan kumpulan data, bagaimana Anda memutuskan algoritma ML yang mana untuk pengguna?

Pertanyaan:4 Apakah lebih baik memiliki terlalu banyak positif palsu? Atau terlalu banyak negatif palsu?

Pertanyaan:5 Apa yang dimaksud dengan akurasi model dan kinerja model? Skenario apa yang bisa Anda terapkan?

Pertanyaan:6 Bagaimana Anda memastikan bahwa Anda tidak terlalu pas dengan model? Jelaskan dengan sebuah contoh.

Pertanyaan:7 Ketika Anda menjalankan algoritma pohon klasifikasi biner cukup mudah. Dalam algoritma Biner, bagaimana pohon memutuskan variabel mana yang akan dipecah pada simpul akar dan simpul turunannya?

Pertanyaan:8 Bagaimana NumPy dan SciPy dijelaskan?

Pertanyaan:9 Tulis program pembelajaran Mesin dasar untuk memeriksa keakuratan kumpulan data yang mengimpor kumpulan data apa pun menggunakan pengklasifikasi apa pun?

Pertanyaan:10 Buat algoritma Regresi untuk memprediksi harga mobil berdasarkan variabel yang berbeda.

Pertanyaan:11 Kembangkan model yang menggunakan fitur jaringan yang berbeda untuk mendeteksi aktivitas jaringan mana yang merupakan bagian dari intrusi/serangan menggunakan klasifikasi Biner.

Pertanyaan:12 Bagaimana cara mengelompokkan (pengelompokan) untuk menemukan organisasi serupa bersama-sama berdasarkan deskripsi Wikipedia mereka.

Pertanyaan:13 Bagaimana Anda memprediksi siapa yang akan memperbarui langganan mereka bulan depan?

• Data apa yang Anda perlukan untuk menyelesaikan ini?
• Analisis seperti apa yang akan Anda lakukan?
• Algoritma model prediktif seperti apa yang dibutuhkan?

Pertanyaan:14 Bagaimana Anda memetakan nama panggilan (Alen, Bob, Alex, Tim, dll.) ke nama asli?

Pertanyaan:15 Buat prediksi apakah penerbangan penumpang terjadwal tertunda atau tidak menggunakan pengklasifikasi Biner dengan skrip R atau python.

Soal:16 Prediksi harga mobil menggunakan Regresi Linier dengan Siapkan dan Bersihkan data dengan menghapus kolom kerugian yang dinormalisasi.

Karena memiliki banyak nilai yang hilang, buat eksperimen dan model.

Pertanyaan:17 Berapa banyak cara Anda dapat membagi 14 orang menjadi 4 tim yang terdiri dari 5 orang?

Soal:18 Luas daerah di bawah kurva normal standar adalah?

• Lebih besar dari 1
• Sama dengan 1
• Kurang dari 1

Pertanyaan:19 Buat algoritma Regresi untuk memprediksi harga mobil berdasarkan variabel yang berbeda.

Pertanyaan:20 Manajer Anda meminta untuk membuat model hutan acak dengan 10.000 pohon selama pelatihan Anda, dan Anda mendapatkan kesalahan pelatihan sebesar 0,00. Namun, pada pengujian, kesalahan validasi adalah 34,23. Dasar apa yang akan Anda asumsikan apa yang salah? Bagaimana Anda memeriksa model Anda jika tidak dilatih dengan sempurna?

Pertanyaan:21 Rekomendasi 'Orang yang membeli ini, juga membeli…' yang terlihat di Amazon didasarkan pada algoritma yang mana?

Pertanyaan:22 Algoritme mana yang ditautkan dalam rekomendasi yang Anda lihat sebagai 'Berita dan penayangan Hari Ini'?

Baca: Pertanyaan Wawancara Ilmu Data

Kesimpulan

Kami harap artikel ini membantu Anda memahami pertanyaan perkiraan untuk ilmu data dan cara mengatasinya. Anda akan menemukan lebih banyak artikel bermanfaat seperti ini di upGrad; kami menawarkan berbagai pilihan kursus, MBA, Ilmu Data, Pembelajaran Mesin, dll. Kami menyediakan bimbingan dari individu-individu terbaik di industri!

Jika Anda tertarik untuk mempelajari Ilmu Data dan memilih untuk berkarir di bidang ini, lihat Program PG Eksekutif IIIT-B & upGrad dalam Ilmu Data yang dibuat untuk para profesional yang bekerja dan menawarkan 10+ studi kasus & proyek, lokakarya praktik langsung , bimbingan dengan pakar industri, 1-on-1 dengan mentor industri, 400+ jam pembelajaran dan bantuan pekerjaan dengan perusahaan-perusahaan top.